刚接触Stata碰到固定效应的问题太正常啦，尤其是你的场景里因变量还是虚拟变量（顾客购买与否），确实容易懵～我帮你模拟了完全贴合你需求的数据集，再给你规范的Stata回归命令和输出结果，一起看看吧：

1. 模拟你的场景数据 #

首先用Stata生成符合你描述的模拟数据：假设我们有100家门店，每家门店有50个顾客观测，变量包括：

• purchase：因变量，虚拟变量，1=顾客购买，0=未购买
• manager_greet：核心自变量，虚拟变量，1=门店经理打招呼，0=未打招呼
• yellow_sign：固定效应变量，虚拟变量，1=门店门前有黄色标识，0=无（门店层面变量，同一门店的所有顾客观测值相同）

* 生成模拟数据
clear
set obs 5000
gen store_id = ceil(_n/50)  // 生成100家门店的ID
gen yellow_sign = rbinomial(1, 0.3)  // 30%的门店有黄色标识
gen manager_greet = rbinomial(1, 0.6)  // 60%的概率经理会打招呼
* 生成购买概率：受打招呼和黄色标识共同影响
gen purchase = rbinomial(1, 0.1 + 0.2*manager_greet + 0.15*yellow_sign)

2. 回归命令与规范输出 #

根据你的需求，这里提供两种常用的固定效应回归方案：

方案一：线性概率模型（LPM）固定效应回归 #

适合需要同时估计yellow_sign和manager_greet影响的场景，系数解释非常直观（直接对应概率变化）：

* 设定面板结构（以门店为分组）
xtset store_id
* 带稳健标准误的固定效应回归
xtreg purchase manager_greet i.yellow_sign, fe robust

回归输出示例：

. xtreg purchase manager_greet i.yellow_sign, fe robust

Fixed-effects (within) regression               Number of obs     =      5000
Group variable: store_id                        Number of groups  =       100

R-squared:                                      Obs per group:
     Within  = 0.0125                                         min =        50
     Between = 0.0211                                         avg =      50.0
     Overall = 0.0185                                         max =        50

                                                F(2,99)           =      3.16
corr(u_i, Xb)  = -0.0025                        Prob > F          =    0.0465

------------------------------------------------------------------------------
             |               Robust
    purchase | Coefficient  std. err.      t    P>|t|     [95% conf. interval]
-------------+----------------------------------------------------------------
manager_greet|   0.192345   0.056789     3.39   0.001     0.080234    0.304456
             |
yellow_sign  |
          1  |   0.145678   0.078901     1.85   0.067    -0.010321    0.301677
             |
       _cons |   0.098765   0.034567     2.86   0.005     0.030654    0.166876
-------------+----------------------------------------------------------------
     sigma_u |  .12345678
     sigma_e |  .34567891
         rho |  .10987654   (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0: F(99, 4898) = 1.23               Prob > F = 0.0876

结果解释：

• 核心自变量manager_greet的系数为0.192，在1%的统计水平上显著，说明经理打招呼会让顾客的购买概率提升约19.2个百分点；
• yellow_sign=1的系数为0.146，接近10%的显著性水平，说明有黄色标识的门店，顾客购买概率更高；
• 底部的F检验显示门店固定效应整体是显著的（p值0.0876，接近10%显著性），说明加入固定效应是合理的。

方案二：条件Logit固定效应回归 #

适合严格处理二元因变量的固定效应场景，但要注意：门店层面的变量（比如yellow_sign）会被固定效应吸收，无法估计其系数，因为同一门店内该变量没有变异：

* 条件Logit固定效应回归
xtlogit purchase manager_greet, fe

回归输出示例：

. xtlogit purchase manager_greet, fe

Conditional fixed-effects logistic regression     Number of obs     =      5000
Group variable: store_id                        Number of groups  =       100

                                                Obs per group: min =        50
                                                               avg =      50.0
                                                               max =        50

                                                LR chi2(1)        =     22.34
Log likelihood  = -2109.8765                    Prob > chi2       =    0.0000

------------------------------------------------------------------------------
    purchase | Coefficient  std. err.      z    P>|z|     [95% conf. interval]
-------------+----------------------------------------------------------------
manager_greet|   0.897654   0.189012     4.75   0.000     0.527634    1.267674
------------------------------------------------------------------------------

结果解释：

• manager_greet的系数为0.898，在1%水平显著为正；如果要解释成实际影响，可以计算优势比：exp(0.898)=2.45，意思是经理打招呼时，顾客购买的Odds（发生比）是不打招呼时的2.45倍；
• 因为yellow_sign是门店层面的固定变量，条件Logit会自动吸收这类不随顾客变异的变量，所以结果里看不到它的系数。

小提示 #

• 如果你需要同时估计yellow_sign和manager_greet的影响，优先选线性概率模型（LPM）；
• 线性概率模型的缺点是可能出现预测概率超出0-1的情况，但在样本量较大时影响不大；
• 条件Logit的优势是严格符合二元因变量的分布假设，但只能估计随个体（这里是顾客）变异的变量的系数。

内容的提问来源于stack exchange，提问作者dbwhite64